@Article{ArantesFoSilNasGuiRos:2020:ClInEv,
author = "Arantes Filho, Lu{\'{\i}}s Ricardo and Silva, {\'E}merson Jean
da and Nascimento, Francisca Joamila Brito do and Guimar{\~a}es,
Lamartine Nogueira Frutuoso and Rosa, Reinaldo Roberto",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto de Estudos
Avan{\c{c}}ados (IAE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)}",
title = "Classifica{\c{c}}{\~a}o inteligente de eventos extremos
utilizando redes neurais e HOG em imagens de sat{\'e}lite",
journal = "Proceedings Series of the Brazilian Society of Computational and
Applied Mathematics",
year = "2020",
volume = "7",
number = "1",
pages = "e10362",
note = "Trabalho apresentado no XXXIX CNMAC, Uberl{\^a}ndia - MG, 2019.",
keywords = "Eventos extremos, imagens de sat{\'e}lite, redes neurais
artificiais, Histograma de Gradientes Orientados.",
abstract = "Este trabalho apresenta uma proposta de an{\'a}lise de eventos
extremos em imagens de sat{\'e}lite, especificamente a
caracteriza{\c{c}}{\~a}o de eventos clim{\'a}ticos como chuvas
torrenciais, tempestades, furac{\~o}ees e tornados. A
classifica{\c{c}}{\~a}o de eventos clim{\'a}ticos {\'e} de
certa forma, algo de grande import{\^a}ncia para todas as
categorias sociais e governamentais, isto se d{\'a} devido aos
efeitos de eventos extremos em diversos setores da economia, da
agricultura, da sa{\'u}de publica e setores sociais. Desta forma
apresentamos um modelo baseado em redes neurais artificiais para
aprendizagem dos padr{\~o}es do Histograma de Gradientes
Orientados em imagens de sat{\'e}lite buscando identificar a
ocorr{\^e}ncia ou n{\~a}o de eventos extremos.",
doi = "10.5540/03.2020.007.01.0362",
url = "http://dx.doi.org/10.5540/03.2020.007.01.0362",
issn = "2359-0793",
language = "pt",
targetfile = "arantes_classificacao.pdf",
urlaccessdate = "12 maio 2024"
}